Name: 複雑な環境で顕著な物体を検出するためのエンドツーエンドのディープニューラルネットワーク (動画) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: 学ぶ 複雑な環境における顕著物体検出のためのエンドツーエンド深層ニューラルネットワーク手法。畳み込みニューラルネットワークを用いて検出精度を向上させ、スマートグリッドでの絶縁体検査などへの応用可能性を示す。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この研究は、2024 Henan Provincial Higher Education Institutions Key Scientific Research Project Funding Program Establishment (プロジェクト番号:24A520053) の支援を受けています。この研究は、河南省の専門創造および統合特性実証コース建設によってもサポートされています。

1. 実験のセットアップと手順
<ol><li>事前学習済みの VGG16 モデルを読み込みます。 注: 最初のステップは、Keras ライブラリ6 から事前トレーニング済みの VGG16 モデルをロードすることです。<ol><li>PyTorch などの一般的なディープ ラーニング ライブラリ ( 材料表を参照) を使用して、事前トレーニング済みの VGG16 モデルを Python で読み込むには、次の一般的な手順に従います。<ol><li>トーチをインポートします。torchvision.models をモデルとしてインポートします。</li>
			<li>事前学習済みの VGG16 モデルを読み込みます。vgg16_model = models.vgg16(pretrained=True) です。</li>
			<li>VGG16 モデルの要約が "print(vgg16_model)" であることを確認します。</li>
		</ol></li>
	</ol></li>
	<li>DCL モデルと DEDN モデルを定義します。<ol><li>DCL アルゴリズムの擬似コードとして、 入力: イメージ データセット SOD と 出力: トレーニング済み DCL モデルを指定します。<ol><li>VGG16 バックボーン ネットワークを使用して DCL モデル を初期化します。</li>
			<li>画像データセット D の前処理 (サイズ変更、正規化など) を行います。</li>
			<li>データセットを学習セットと検証セットに分割します。</li>
			<li>DCL モデルを学習させるための損失関数 (バイナリ クロス エントロピーなど) を定義します。</li>
			<li>トレーニングのハイパーパラメーターを設定します:学習率(0.0001)、トレーニングエポックセット数(50)、バッチサイズ(8)、オプティマイザー(Adam)。</li>
			<li>DCL モデルのトレーニング: 定義されたエポック数のエポックごとに、トレーニング セット内のバッチごとに実行します。次のように入力します。<ol><li>フォワードパス:バッチ画像をDCLモデルにフィードします。予測顕著性マップとグラウンド トゥルース マップを使用して損失を計算します。</li>
				<li>バックワード パス: 勾配降下終了を使用してモデル パラメーターを更新します。検証損失とその他の評価メトリックを検証セット側で計算します。</li>
			</ol></li>
			<li>学習済みの DCL モデルを保存します。</li>
			<li>学習済みの DCL モデルを返します。</li>
		</ol></li>
		<li>DEDN アルゴリズムの擬似コードの場合、入力: 画像データセット (X)、グラウンド トゥルース顕著性マップ (Y)、トレーニング反復回数 (N)。<ol><li>エンコーダーネットワークの場合、エンコーダーがVGG16スケルトンに基づいており、後述するように変更されていることを確認します。 注:encoder_input=入力(形状= input_shape) encoder_conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>デコーダー ネットワークの場合、デコーダーが VGG16 スケルトンに基づいており、変更が加えられていることを確認します (後述)。 注:decoder_conv1 = Conv2D(256、(3、3)、activation='relu'、padding='same')(encoder_pool3) decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), activation='relu', padding='same')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), activation='sigmoid', padding='same')(decoder_upsample3)</li>
		</ol></li>
		<li>DEDN モデルを定義します。model = モデル (入力 = encoder_input、出力 = decoder_output)。</li>
		<li>モデルをコンパイルします。model.compile (オプティマイザ = adam, loss = binary_crossentropy) を使用します。</li>
		<li>[トレーニング ループ] を選択します。 注:range(N)での反復の場合:#画像とグラウンドトゥルースマップのバッチをランダムに選択します。batch_X、batch_Y = randomly_select_batch(X, Y, batch_size) です。<ol><li>バッチでモデルをトレーニングします。損失 = model.train_on_batch(batch_X, batch_Y) です。監視のために損失を出力します。</li>
		</ol></li>
		<li>トレーニング済みのモデルを保存します。model.save ('dedn_model.h5') です。</li>
	</ol></li>
	<li>組み合わせる。<ol><li>DCL ネットワークと DEDN ネットワークの出力を結合し、全結合条件付き確率場 (CRF) モデルを使用して顕著性マップを調整します。</li>
	</ol></li>
</ol>2. 画像処理
<ol><li>[run code] をクリックして GUI インターフェイスを表示します (図 4)。</li>
	<li>開いている画像をクリックしてパスを選択し、検出する画像を選択します。</li>
	<li>表示画像をクリックすると、検出対象として選択された画像が表示されます。</li>
	<li>[検出の開始]をクリックして、選択した画像を検出します。 注意: 検出結果は、検出された画像、つまり突出したオブジェクトの結果とともに表示されます(図5)。</li>
	<li>保存パスを選択して、顕著なオブジェクト検出の画像結果を保存します。</li>
</ol>

深層ニューラルネットワークを使用した突出物体検出の精度向上

<ol><li>Wang, W. G., Shen, J. B., Ling, H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+network+solution+for+attention+and+aesthetics+aware+photo+cropping%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">A deep network solution for attention and aesthetics aware photo cropping.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 41 (7), 1531-1544 (2018).</li>
<li>Wang, W. G., Sun, G. L., Gool, L. V. Looking beyond single images for weakly supervised semantic segmentation learning. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWang%2C+WG+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine%22">IEEE Transactions on Pattern Analysis and Machine</a>. , (2022).</li>
<li>Mei, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+dense+context+for+salient+object+detection%5BTitle%5D)+AND+%22IEEE+Transactions+on+Circuits+and+Systems+for+Video+Technology%22%5BJournal%5D)">Exploring dense context for salient object detection.</a> IEEE Transactions on Circuits and Systems for Video Technology. 32 (3), 1378-1389 (2021).</li>
<li>Borji, A., Itti, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State-of-the-art+in+visual+attention+modeling%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">State-of-the-art in visual attention modeling.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (1), 185-207 (2012).</li>
<li>Fully convolutional networks for semantic segmentation. Long, J., Shelhamer, E., Darrell, T. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3431-3440 (2015).</li>
<li>Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSimonyan%2C+K+%22arXiv+preprint%22">arXiv preprint</a>. , 1409-1556 (2014).</li>
<li>Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 770-778 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>Wu, R., et al. A mutual learning method for salient object detection with intertwined multi-supervision. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Deep contrast learning for salient object detection. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 478-487 (2019).</li>
<li>Ren, Q., Hu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-scale+deep+encoder-decoder+network+for+salient+object+detection%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Multi-scale deep encoder-decoder network for salient object detection.</a> Neurocomputing. 316, 95-104 (2018).</li>
<li>Wang, W. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Salient+object+detection+in+the+deep+learning+era%3A+An+in-depth+survey%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Salient object detection in the deep learning era: An in-depth survey.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (6), 3239-3259 (2021).</li>
<li>Zhou, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RGB-D+salient+object+detection%3A+A+survey%5BTitle%5D)+AND+%22Computational+Visual+Media%22%5BJournal%5D)">RGB-D salient object detection: A survey.</a> Computational Visual Media. 7, 37-69 (2021).</li>
<li>Fu, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Siamese+network+for+RGB-D+salient+object+detection+and+beyond%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Siamese network for RGB-D salient object detection and beyond.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (9), 5541-5559 (2021).</li>
<li>Lai, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weakly+supervised+visual+saliency+prediction%5BTitle%5D)+AND+%22IEEE+Transactions+on+Image+Processing%22%5BJournal%5D)">Weakly supervised visual saliency prediction.</a> IEEE Transactions on Image Processing. 31, 3111-3124 (2022).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>A mutual learning method for salient object detection with intertwined multi-supervision. Wu, R. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Wang, W., Shen, J., Dong, X., Borji, A., Yang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+salient+objects+from+human+fixations%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Inferring salient objects from human fixations.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (8), 1913-1927 (2019).</li>
<li>Design and perceptual validation of performance measures for salient object segmentation. Movahedi, V., Elder, J. H. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops, , 49-56 (2010).</li>
<li>Shi, J., Yan, Q., Xu, L., Jia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hierarchical+image+saliency+detection+on+extended+CSSD%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Hierarchical image saliency detection on extended CSSD.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 38 (4), 717-729 (2015).</li>
<li>Frequency-tuned salient region detection. Achanta, R., Hemami, S., Estrada, F., Susstrunk, S. 2009 IEEE Conference on Computer Vision and Pattern Recognition, , 1597-1604 (2009).</li>
<li>Saliency detection via graph-based manifold ranking. Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M. H. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3166-3173 (2013).</li>
<li>Wei, Y., et al. Geodesic saliency using background priors. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWei%2C+Y+%22Computer+Vision-ECCV+2012%22">Computer Vision-ECCV 2012</a>. , Springer. Berlin Heidelberg. 29-42 (2012).</li>
<li>What makes a patch distinct. Margolin, R., Tal, A., Zelnik-Manor, L. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1139-1146 (2013).</li>
<li>Saliency filters: Contrast based filtering for salient region detection. Perazzi, F., Krähenbühl, P., Pritch, Y., Hornung, A. 2012 IEEE Conference on Computer Vision and Pattern Recognition, , 733-740 (2012).</li>
<li>Hou, X., Harel, J., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+signature%3A+Highlighting+sparse+salient+regions%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Image signature: Highlighting sparse salient regions.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 34 (1), 194-201 (2011).</li>
<li>Salient object detection: A discriminative regional feature integration approach. Jiang, H., et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 2083-2090 (2013).</li>
<li>Visual saliency based on multiscale deep features. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 5455-5463 (2015).</li>
<li>Deep saliency with encoded low level distance map and high-level features. Lee, G., Tai, Y. W., Kim, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 660-668 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
</ol>

著者は何も開示していません。

この記事では、複雑な環境で顕著な物体を検出するために特別に設計されたエンドツーエンドのディープニューラルネットワークを紹介します。このネットワークは、ピクセル レベルのマルチスケール完全畳み込みネットワーク (DCL) と深層符号化器デコーダー ネットワーク (DEDN) という 2 つの相互接続されたコンポーネントで構成されています。これらのコンポーネントは相乗的に機能し、コンテキスト セマンティクスを組み込んで、マルチスケール フィーチャ マップ内で視覚的なコントラストを生成します。さらに、深い画像と浅い画像の両方の特徴を活用して、物体の境界の描写の精度を向上させます。全結合の条件付きランダム場(CRF)モデルの統合により、顕著性マップと等高線描写の空間的一貫性がさらに強化されます。
この目的を達成するために、VGG16アーキテクチャに基づいて、深層コンテキスト学習(DCL)ネットワークと深層符号化器復号ネットワーク(DEDN)の2つの深層ネットワークが構築されました。操作ステップ1.2で説明したように、DCLを介して処理された入力画像は、異なる受容野によって特徴付けられるさま...

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016a</td><td>MATLABのプログラミングインターフェースは、コード品質、保守性を向上させ、パフォーマンスを最大化するための開発ツールを提供します。 カスタムグラフィカルインターフェースを使用してアプリケーションを構築するためのツールを提供します。 MATLABベースのアルゴリズムを外部アプリケーションや言語と組み合わせるためのツールを提供します</td></tr><tr><td>プロセッサ&nbsp;</td><td>Intel</td><td>第11世代Intel(R)Core(TM)i5-1135G7 @ 2.40GHz</td><td>64ビットWin11プロセッサ&nbsp;</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm は Python IDE (統合開発環境) 必要な python: modulesmatplotlib skimage torch os time<br/s> pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch&nbsp;</td><td>フェイスブック</td><td>PyTorch 1.4&nbsp;</td><td>PyTorchは、TorchをベースにしたオープンソースのPython機械学習ライブラリで、自然言語処理やその他のアプリケーションに使用されます。PyTorchは、GPUサポートnumpyの追加として見ることができるだけでなく、自動導関数を備えた強力なディープニューラルネットワークとしても見ることができます。</td></tr></tbody></table>

複雑な環境で顕著な物体を検出するためのエンドツーエンドのディープニューラルネットワーク

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

顕著な物体の検出は、コンピュータビジョンの領域で急成長している関心分野として浮上しています。しかし、一般的なアルゴリズムは、複雑で多面的な環境の中で顕著な物体を検出する場合、精度が低下します。この差し迫った懸念に照らして、この記事では、複雑な環境内の顕著なオブジェクトを検出することを目的としたエンドツーエンドのディープニューラルネットワークを紹介します。この研究では、複雑な環境内の顕著な物体を検出することを目的としたエンドツーエンドのディープニューラルネットワークが導入されています。提案されたネットワークは、ピクセルレベルのマルチスケール全畳み込みネットワークと深層符号化器デコーダーネットワークという2つの相互に関連するコンポーネントで構成されており、コンテキストセマンティクスを統合してマルチスケール特徴マップ間の視覚的なコントラストを生成すると同時に、深層および浅い画像特徴を採用してオブジェクト境界識別の精度を向上させます。全結合条件付き確率場(CRF)モデルの統合により、突出マップの空間的一貫性と等高線描写がさらに強化されます。提案されたアルゴリズムは、SODおよびECSSDデータベース上の10の最新のアルゴリズムに対して広範囲に評価されています。評価結果は、提案アルゴリズムが精度と精度の点で他のアプローチを凌駕していることを示しており、複雑な環境下での顕著な物体検出における有効性を確立しています。

本研究では、ピクセルレベルのマルチスケール完全畳み込みネットワークと深層符号化器デコーダネットワークという2つの相補的なネットワークで構成されるエンドツーエンドの深層ニューラルネットワークを紹介します。最初のネットワークは、コンテキストセマンティクスを統合して、マルチスケールの特徴マップから視覚的なコントラストを導き出し、異なる層にわたるディープニューラルネットワークの固定受容野の課題に対処します。2 番目のネットワークは、深い画像特徴と浅い画像特徴の両方を利用して、ターゲット オブジェクトの境界がぼやけるという問題を軽減します。最後に、全結合条件付き確率場 (CRF) モデルを適用して、顕著性マップの空間的一貫性と等高線を改善します。
この研究では、提案されたアルゴリズムと、この分野の既存の10のアルゴリズムとの間の定性的および定量的な比較を実施します。実験結果は、提案されたアルゴリズムが重要な物体検出の精度を高める上で有効であることを実証しています。さらに、このアルゴリズムは、電力視覚タスクへの潜在的な適用可能性を示しており、インテリジェント電力網のドメイン内のさまざまな複雑な...

本プロトコルは、新しいエンドツーエンドの突出物検出アルゴリズムを記述する。ディープニューラルネットワークを活用して、複雑な環境コンテキスト内で顕著な物体の検出精度を高めます。

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit ...

私たちの研究は、顕著な物体検出、コンピュータービジョン、画像処理など多岐にわたります。絶縁体検査のスマートグリッドへの応用など、突出物検出の応用にも対応したい。次の研究の進歩は、スマートグリッドのコンテキストで学習するための顕著なオブジェクトアルゴリズムの転送です。畳み込みニューラルネットワークは、画像からの顕著な情報としてより効果的に機能し、顕著な物体検出の処理を強化することができます。そのため、突出物検出の研究が進んでいます。本研究成果は、突出物体検出の精度を向上させ、絶縁体を効果的にセグメント化・検出するためのスマートグリッドへの応用などのアルゴリズムの移行を可能にします。

end-to-end-deep-neural-network-for-salient-object-detection-complex

Research

JoVE Journal

Engineering

工学

このプロトコルの目的は、事前に構築された畳み込みニューラルネットを利用して行動追跡を自動化し、詳細な行動分析を行うことである。行動追跡は、任意のビデオデータまたは画像のシーケンスに適用することができ、任意のユーザー定義オブジェクトを追跡するために一般化可能です。...

自動行動分析のためのDeepBehavior、ディープラーニングツールボックスのステップバイステップ実装

この記事で紹介する作業の目的は、モバイルデバイスで撮影した画像から食品や飲料の商品を自動的に認識する技術を開発することです。この技術は2つの異なるアプローチで構成されています -...

画像ベースの食事評価のためのディープニューラルネットワーク

この実験の目的は、水中で自己組織ディスコ両親媒性物質のサイズ、形状と安定性を決定し、制御することである。水性ベースの超分子ポリマーの制御のようなレベルは非常に困難である。私たちは、反発と引力相互作用の両方を使用して戦略を適用します。このシステムを特徴づけるために適用された実験的な技術が広く適用されます。...

水中での超分子ポリマーのサイズ、形状と安定性を制御する

我々は、パルスレーザー堆積（PLD）、フォトリソグラフィ及びマイクロメートルスケールの複合酸化物デバイスを作成するためのワイヤボンディング技術の使用を記載している。...

空間的に閉じ込められた複合酸化物の作製

そのため、パラジウム、金とコバルトの重要性と広範な使用の ハイテク機器における金属は、その回収・リサイクルは重要な産業の課題となっています。本明細書に記載の金属回収装置は、簡単​​、低コストで効果的な検出、除去、都市鉱山からこれらの金属を回収するための手段です。...

検出とパラジウムの回収は、都市鉱山からの金やコバルト金属は、ナノスケールワゴンホイール形の細孔を有する指定小説センサ/吸着剤を使用しました

平面試料中の磁性粒子を撮像するためのスキャナは、磁気検出技術を混合平坦な周波数を使用して開発されました。粒子の非線形nonhysteretic磁化からの磁気相互変調積応答は、2周波励磁に記録されています。薄い生体サンプルの2次元画像を撮影するために使用することができます。...

平面サンプル中の磁性粒子を撮像する磁気検出スキャナ周波数混合

本論文では、ソリューションの蒸発速度検出のためのインピーダンスに基づく装置を提供します。高速応答、高感度の検出、洗浄および再利用の目的のために小さなサンプル要件、複数のサンプル測定、および容易な分解：これは、従来の減量のアプローチを超える明確な利点を提供しています。...

蒸発速度検出のための高性能インピーダンスベースのプラットフォーム

ここでは、せん断流動下ソフトマター材料からの同時インピーダンス、レオロジーおよび中性子散乱を測定するための手順を提示します。...

誘電RheoSANS  - インピーダンス、レオロジー及び複雑流体の小角中性子散乱の同時尋問

プロトコルの目的は、連続光照射下で機械的に振動することができます液晶ポリマー フィルムを作成することです。我々...

巨視的揺動運動の光によって誘起される液晶ネットワークの準備

この記事では、液滴の細胞のカプセル化効率を提供するために液滴マイクロ流体デバイスへのピペット...

ピペット チップを用いた液滴マイクロ流体プラットフォームに播種細胞メソッド

学ぶ 複雑な環境における顕著物体検出のためのエンドツーエンド深層ニューラルネットワーク手法。畳み込みニューラルネットワークを用いて検出精度を向上させ、スマートグリッドでの絶縁体検査などへの応用可能性を示す。

複雑な環境で顕著な物体を検出するためのエンドツーエンドのディープニューラルネットワーク

さらに動画を探す